Fi-GNN: نمذجة تفاعلات الميزات من خلال الشبكات العصبية الرسومية لتوقع النقرة (CTR)

تنبؤ معدل النقر (CTR) يُعد مهمة أساسية في التطبيقات الويب مثل الإعلانات عبر الإنترنت وأنظمة التوصية، حيث تكون ميزاتها عادةً على شكل متعددة الحقول. وتكمن المهمة الأساسية في هذا السياق في نمذجة التفاعلات بين الميزات في الحقول المختلفة. وتبني النماذج القائمة على التعلم العميق التي تم اقتراحها مؤخرًا نموذجًا عامًا: يتم أولًا تحويل الميزات متعددة الحقول ذات القيم النادرة إلى متجهات تضمين حقول كثيفة، ثم يتم دمجها ببساطة بشكل متسلسل لتقديمها إلى الشبكات العصبية العميقة (DNN) أو شبكات أخرى مصممة خصيصًا لتعلم تفاعلات الميزات ذات الرتبة العالية. ومع ذلك، فإن الجمع البسيط غير المهيكل بين الحقول يُحد من القدرة على نمذجة التفاعلات المعقدة بين الحقول المختلفة بطريقة كافية المرونة والوضوح.في هذه الدراسة، نقترح تمثيل الميزات متعددة الحقول بشكل مفهوم في هيكل رسم بياني، حيث يمثل كل عقدة حقلًا من الحقول، ويمكن للحقول المختلفة التفاعل من خلال الحواف. وبهذا، يمكن تحويل مهمة نمذجة التفاعلات بين الميزات إلى مهمة نمذجة تفاعلات العقد في الرسم البياني المقابل. ولتحقيق ذلك، قمنا بتصميم نموذج جديد يُسمى شبكات عصبية الرسم البياني لتفاعلات الميزات (Fi-GNN). وبفضل القوة التمثيلية القوية للرسوم البيانية، يمكن للنموذج المُقترح نمذجة تفاعلات الميزات المعقدة بطريقة مرنة وواضحة، كما يوفر تفسيرات نموذجية جيدة لتنبؤات معدل النقر. وأظهرت النتائج التجريبية على مجموعتي بيانات واقعيتين تفوقه على النماذج الرائدة في المجال.